Funkcje Fukui działają jako podstawowe deskryptory z opartej na DFT teorii funkcjonału gęstości konceptualnej, która pokazuje, jak elektrony rozprowadzają się w cząsteczkach. Możliwość przewidywania przy użyciu tych funkcji ujawnia potencjał elektronodonorowy lub akceptujący cząsteczki w określonych miejscach atomowych w celu określenia charakterystyki elektrofilowej lub nukleofilowej. Podwójny deskryptor wzmacnia analizę funkcji Fukui, rozróżniając właściwości nukleofilowe i elektrofilowe w miejscach molekularnych, co poprawia dokładność oceny reaktywności chemicznej. Odkryliśmy, że większość badaczy ma problemy z obliczaniem tych ważnych deskryptorów w zaawansowanej analizie naukowej. W tym miejscu zaprojektowaliśmy prosty kod Pythona, aby uprościć obliczenia. W artykule szczegółowo omówiono funkcje Fukui, ich ramy teoretyczne oraz procedury numeryczne i zastosowanie języka Python wykorzystujące wyniki analizy populacji naturalnej (NPA) uzyskane za pomocą oprogramowania Gaussa. 📥Funkcje Fukui i ich interpretacja fizyczna Funkcja Fukui 𝑓(𝑟) mierzy reakcję gęstości elektronowej ρ(r), gdy liczba elektronów w układzie ulega niewielkiej zmianie. Matematycznie jest to zdefiniowane jako: Gdzie N jest całkowitą liczbą elektronów, a v(r) jest potencjałem zewnętrznym. Tę funkcję można przybliżyć numerycznie za pomocą różnic skończonych: Gdzie: 𝑞 𝑟 ( 𝑁 ) → ładunek atomowy danego miejsca w obojętnej cząsteczce. 𝑞 𝑟 ( 𝑁 + 1 ) → ładunek po dodaniu elektronu (anionu). 𝑞 𝑟 ( 𝑁 − 1 ) → ładunek po usunięciu elektronu (kationu). Obie funkcje oceniają wrażliwość gęstości elektronowej na zmieniające się warunki, co pozwala przewidywać wzorce reaktywności chemicznej. 📥Podwójny deskryptor (Δ𝑓(𝑟)) i interpretacja chemiczna Podwójny deskryptor Δ 𝑓 ( 𝑟 ) udoskonala analizę funkcji Fukui poprzez rozróżnianie miejsc reaktywnych elektrofilowych i nukleofilowych: 📥Interpretacja Δ𝑓( 𝑟 ): Δ 𝑓 ( 𝑟 ) → Region sprzyja . atakowi nukleofilowemu Δ 𝑓 ( 𝑟 ) < 0 → Region sprzyja . atakowi elektrofilowemu Δ 𝑓 ( 𝑟 )=0 → Region jest . chemicznie obojętny Wykorzystując Δ 𝑓 ( 𝑟 ), naukowcy mogą precyzyjnie określić reaktywne miejsca molekularne i przewidzieć ścieżki reakcji organicznych. 📥Analiza populacji naturalnej (NPA) w rozkładzie Gaussa Chemia obliczeniowa szeroko wykorzystuje NPA do podziału gęstości elektronów na atomy cząsteczki. Oprogramowanie Gaussa generuje ładunki NPA za pomocą słowa kluczowego pliku wejściowego . Podstawę do wykonywania obliczeń funkcji Fukui stanowią te ładunki. Pop=NPA Przykładowe dane wejściowe Gaussa dla obliczeń NPA: %chk=mol.chk # B3LYP/6-31G(d,p) Pop=NPA Title: NPA Charge Calculation 0 1 C 0.000 0.000 0.000 H 0.000 0.000 1.090 H 1.026 0.000 -0.363 H -0.513 -0.889 -0.363 H -0.513 0.889 -0.363 Sekcja wyjściowa obliczeń Gaussa dostarcza opłaty NPA pod nagłówkiem . Wyodrębnione opłaty są sformatowane w tabeli: „ ” Analiza populacji naturalnej Wartości te są używane w skrypcie Pythona do obliczania funkcji Fukui i deskryptora dualnego. 📥Kod Pythona do obliczania funkcji Fukui Naukowcy wykorzystują obliczone wartości, aby zrozumieć mechanizmy chemiczne zachodzące podczas reakcji, jednocześnie opracowując cząsteczki posiadające szczególne właściwości funkcjonalne, w tym katalizatory i kandydatów na leki. 👉Skrypt Python: import pandas as pd # Load the data from the Excel file in the same directory as the script file_path = 'FUKUI.xlsx' df = pd.read_excel(file_path) # Calculate Fukui Functions and Dual Descriptor with 5 decimal places df['fr+'] = (df['Anion(N+1)'] - df['Neutral(N)']).apply(lambda x: f"{x:.5f}") df['fr-'] = (df['Neutral(N)'] - df['Cation(N-1)']).apply(lambda x: f"{x:.5f}") df['fr0'] = ((df['Anion(N+1)'] - df['Cation(N-1)']) / 2).apply(lambda x: f"{x:.5f}") df['∆f'] = (df['fr+'].astype(float) - df['fr-'].astype(float)).apply(lambda x: f"{x:.5f}") # Save the calculated data to a new Excel file in the same directory output_file = 'fukui_functions_output.xlsx' df.to_excel(output_file, index=False) # Display the DataFrame (optional) print(df) 👉Wyjaśnienie kodu: Ładowanie danych: Odczytuje opłaty NPA z pliku Excel ( ). FUKUI.xlsx Wystarczy wykonać powyższy kod Pythona. Proszę poprawnie ułożyć opłaty z analizy NPA w pliku wejściowym, powiedzmy , dokładnie tak, jak pokazano na rysunku 1. Upewnij się również, że skrypt Pythona i plik wejściowy znajdują się w tym samym katalogu. FUKUI.xlsx 👉Obliczanie funkcji Fukui: Indeks pochodzi z różnicy między wartościami ładunku anionowego i obojętnego. 𝑓+( 𝑟 ) Indeks powstaje w wyniku odjęcia wartości ładunku kationowego od wartości ładunku obojętnego. 𝑓-( 𝑟 ) Funkcja pierwiastkowa Fukui uzyskuje swoją wartość poprzez wykonanie operacji uśredniania na i . 𝑓+( 𝑟 ) 𝑓-( 𝑟 ) Podwójny deskryptor powstaje, gdy w wyniku obliczenia odejmuje się od niego . 𝑓-( 𝑟 ) 𝑓+( 𝑟 ) Każda wartość jest zaokrąglana do pięciu miejsc po przecinku, aby zapewnić precyzję. Formatowanie: Wyniki zapisywane są jako w celu dalszej analizy. Dane wyjściowe: fukui_functions_output.xlsx 📥Wyniki i dyskusja Obliczone funkcje Fukui i podwójne deskryptory dostarczają istotnych informacji na temat reaktywności molekularnej: wskazują na potencjalne miejsca nukleofilowe. Wysokie wartości 𝑓+( 𝑟 ) wskazują na reaktywność elektrofilową. Wysokie wartości 𝑓−( 𝑟 ) Wartości indukują najbardziej reaktywne miejsca. Δ 𝑓 ( 𝑟 ) Prognozy mechanizmów reakcji łączą się z produkcją cząsteczek o określonych pożądanych właściwościach, takich jak katalizatory i kandydaci na leki. 📥Wniosek Połączenie funkcji Fukui z podwójnymi deskryptorami działa jako silne podejście obliczeniowe do eksploracji reaktywności chemicznej. Prawidłowe obliczanie rozkładów ładunków zależy od ładunków NPA uzyskanych poprzez obliczenia Gaussa. Metodologia oparta na Pythonie umożliwia automatyzację, która umożliwia efektywną ocenę dużych zbiorów danych molekularnych. Kolejne badania powinny obejmować połączoną analizę funkcji Fukui z mapowaniem potencjału elektrostatycznego, obejmującą analizę orbitali molekularnych, co pozwoli na właściwe zrozumienie zachowań reaktywności.
